Domaine d'expertise
Machine learning pour la simulation & CFD
Modèles de substitution (surrogate), réseaux sur graphes, accélération des boucles d'optimisation.
Senior Data Scientist Engineer chez GE Hydro, j'ai conçu des réseaux de neurones sur graphes pour remplacer des calculs CFD de plusieurs heures par des inférences en quelques millisecondes. J'applique ces techniques au design optimization, à l'analyse d'écoulements et à la prédiction de champs physiques.
Cas d'usage
Accélérer une boucle d'optimisation
Chaque évaluation CFD prend des heures. Un surrogate entraîné sur quelques centaines de cas peut réduire le temps total d'un facteur 100+.
Prédiction de champs physiques
Pression, vitesse, contrainte : prédire ces champs en temps réel à partir de la géométrie, sans recourir au solveur complet.
Aide à la décision en exploitation
Modèles légers déployés au plus près des opérateurs pour anticiper le comportement d'un système (turbine, échangeur, procédé).
Livrables
- Pipeline d'entraînement reproductible (data → modèle → métriques)
- Modèle déployé (API ou bibliothèque Python)
- Validation physique des prédictions
- Comparaison rigoureuse avec le solveur de référence
- Documentation et formation de votre équipe
Stack technique
Un besoin similaire ?
Décrivez votre contexte, je vous réponds sous 48 h.